L’IA révolutionne la classification cosmique : un réseau neuronal cartographie 27 millions d’objets célestes

L’IA ouvre une nouvelle ère pour cartographier l’Univers

Depuis des siècles, les astronomes observent le ciel nocturne à la recherche des secrets des étoiles, des galaxies et de la vaste toile cosmique qui les relie. Aujourd’hui, l’immensité de l’Univers pose un nouveau défi : comment classer et comprendre des milliards d’objets célestes alors que les méthodes traditionnelles peinent à suivre le rythme ? Dans une avancée majeure, une équipe de scientifiques des observatoires du Yunnan, en Chine, a mis au point un modèle d’intelligence artificielle (IA) qui a déjà classé plus de 27 millions d’objets cosmiques — étoiles, galaxies et quasars — dans une vaste portion du ciel. Cette réussite marque un tournant en astronomie et promet de transformer notre exploration et notre compréhension de l’Univers.

Pourquoi est-il si difficile de classer le cosmos ?

L’astronomie moderne connaît une véritable explosion des données. Des télescopes et des relevés du ciel de pointe, comme le Sloan Digital Sky Survey (SDSS), le Kilo-Degree Survey (KiDS) et la mission Euclid de l’Agence spatiale européenne, recueillent des images et des mesures portant sur des milliards d’objets. Chaque nouveau relevé ajoute des téraoctets de données, révélant des galaxies situées à des milliards d’années-lumière, des supernovæ et la structure complexe de la toile cosmique.

Traditionnellement, les astronomes s’appuient sur la spectroscopie — l’analyse de la lumière d’un objet pour en déterminer la composition, la distance et la nature. Précise, cette méthode est toutefois lente et mobilise beaucoup de ressources. Compte tenu du volume de données désormais disponible, il est tout simplement impossible pour les humains de suivre le rythme avec des méthodes manuelles, voire semi-automatisées. Les astronomes se tournent donc de plus en plus vers les relevés photométriques, qui prennent des images dans différentes couleurs (longueurs d’onde), mais ne fournissent pas les informations détaillées des spectres. Plus rapides, les données photométriques peuvent toutefois être ambiguës : les galaxies lointaines, les étoiles et les quasars apparaissent souvent comme de minuscules points lumineux, difficiles à distinguer par leur seule forme.

Les limites de la classification humaine et des méthodes classiques d’apprentissage automatique

Pour automatiser la classification, les chercheurs ont eu recours à des algorithmes classiques d’apprentissage automatique, comme les arbres de décision et les forêts aléatoires, puis, plus récemment, à des réseaux neuronaux d’apprentissage profond. Ces méthodes ont atteint une précision remarquable, mais des difficultés persistent, notamment pour les objets peu lumineux ou lointains, ainsi que dans les régions masquées par la poussière cosmique. Comme l’a montré une étude de l’Université de La Serena, au Chili, les modèles d’apprentissage automatique peuvent peiner dans des régions difficiles telles que la « zone d’évitement », où la poussière bloque une grande partie de la lumière visible. Les taux d’erreur y sont élevés, à moins d’entraîner les modèles sur des données diversifiées couvrant plusieurs longueurs d’onde.

Fonctionnement du modèle d’IA chinois

Le nouveau modèle d’IA conçu par l’équipe des observatoires du Yunnan constitue une avancée importante. Contrairement aux approches précédentes, fondées soit sur l’apparence des objets (leur morphologie), soit sur leur couleur (leur distribution spectrale d’énergie, ou SED), ce réseau neuronal traite simultanément ces deux types d’informations. Cette architecture à deux entrées permet à l’IA de repérer des différences subtiles entre étoiles, galaxies et quasars qui pourraient autrement passer inaperçues.

Le modèle a été entraîné à partir de sources confirmées par spectroscopie dans la 17e publication de données du SDSS, une référence en matière de classification astronomique. Il a ensuite été testé sur des images du relevé KiDS, en se concentrant sur les objets de magnitude r supérieure à 23, dans une zone couvrant environ 1 350 degrés carrés du ciel. Résultat : plus de 27 millions d’objets classés avec une rapidité et une précision remarquables.

Validation et précision sur plusieurs relevés

Pour garantir la fiabilité du modèle, l’équipe l’a validé à l’aide de données issues d’autres grands relevés. Appliquée à 3,4 millions de sources de la mission Gaia — principalement des étoiles dont le mouvement est bien connu —, l’IA en a correctement identifié 99,7 % comme des étoiles. Un taux de réussite similaire a été obtenu avec le relevé Galaxy And Mass Assembly (GAMA), où 99,7 % des galaxies et des quasars ont été correctement classés. Dans certains cas, l’IA a même corrigé des erreurs antérieures en reclassant des objets mal étiquetés dans d’anciens catalogues.

Ce haut niveau de précision témoigne de la robustesse du modèle et de sa capacité à améliorer les bases de données astronomiques existantes, ce qui en fait un outil précieux pour la communauté astronomique.

L’IA et la course mondiale à la cartographie de l’Univers

Cette avancée chinoise s’inscrit dans une tendance plus large : les astronomes du monde entier s’emploient à mettre au point des outils d’IA capables de traiter le déluge de données produit par les télescopes de nouvelle génération. La mission Euclid de l’Agence spatiale européenne, par exemple, a déjà cartographié 26 millions de galaxies sur une fraction seulement de la zone prévue pour son relevé. Au cours des six prochaines années, Euclid observera plus de 1,5 milliard de galaxies et transmettra environ 100 gigaoctets de données par jour. De même, le prochain observatoire Vera C. Rubin devrait détecter des millions de nouvelles supernovæ et d’autres phénomènes transitoires. Des outils d’IA comme le Bright Transient Survey Bot (BTSbot) automatisent déjà la découverte et la classification des supernovæ dans le cadre du relevé Zwicky Transient Facility.

Sciences participatives et IA : un partenariat puissant

Face à l’ampleur du défi, les astronomes font également appel au grand public. Des projets comme Galaxy Zoo et le nouveau « Galaxy Zoo: Euclid » invitent des volontaires du monde entier à participer à la classification des formes des galaxies. Ces scientifiques citoyens travaillent aux côtés d’algorithmes d’IA comme ZooBot, qui traite les cas les plus simples et soumet les images plus complexes à des humains. Cette collaboration accélère la classification tout en contribuant à entraîner et à améliorer l’IA, dans un cercle vertueux de découvertes.

Le télescope spatial James-Webb de la NASA et la mission Euclid s’appuient tous deux sur cette approche hybride : des milliers de volontaires et des systèmes d’IA de pointe travaillent ensemble à la création des catalogues de morphologie des galaxies les plus vastes et les plus détaillés jamais constitués.

Comment l’IA transforme l’astronomie

L’impact de l’IA sur l’astronomie va bien au-delà du gain de temps. En classant rapidement et précisément un très grand nombre d’objets, elle permet aux scientifiques de :

• Découvrir des objets rares ou inhabituels, comme des galaxies à anneaux ou des quasars lointains, qui pourraient autrement passer inaperçus.
• Retracer la structure et l’évolution des galaxies au fil du temps cosmique et mieux comprendre comment l’Univers a changé au cours de milliards d’années.
• Cartographier la répartition de la matière noire et de l’énergie noire en analysant les formes et les positions des galaxies ainsi que les effets de lentille gravitationnelle.
• Améliorer la précision et l’exhaustivité des catalogues astronomiques en corrigeant les erreurs passées et en comblant les lacunes.

La découverte récente de 30 000 rares galaxies à anneaux, grâce à l’association de l’IA et de scientifiques citoyens dans le cadre du projet GALAXY CRUISE, en est un exemple. Cet échantillon suffisamment vaste pour permettre des analyses scientifiques solides a livré de nouveaux indices sur la formation de ces structures inhabituelles, souvent issues de la collision de galaxies spirales.

Innovations techniques : analyse multimodale et pixel par pixel

Les progrès récents de l’IA appliquée à l’astronomie comprennent des architectures d’apprentissage profond multimodales, qui combinent les images à des métadonnées tabulaires (luminosité, couleur et décalage vers le rouge, par exemple) pour gagner en précision. Des études ont montré que ces modèles surpassent ceux qui n’utilisent qu’un seul type de données, avec une précision et un rappel supérieurs et moins d’époques d’entraînement. Certains outils, comme Morpheus, l’IA développée à l’UC Santa Cruz, analysent même les images pixel par pixel, ce qui permet de classer les morphologies en détail et de repérer des structures complexes au sein des galaxies.

Ces innovations sont indispensables à mesure que les relevés gagnent en ambition. La mission Euclid, par exemple, vise à cartographier la distribution tridimensionnelle de la matière noire en mesurant les déformations subtiles des formes des galaxies provoquées par la lentille gravitationnelle. Une tâche qui serait impossible sans des techniques avancées d’IA et d’apprentissage automatique.

Limites et défis de l’IA en astronomie

Malgré ces avancées, l’IA n’est pas une panacée. La précision d’un modèle dépend étroitement de la qualité et de la diversité de ses données d’entraînement. Un modèle entraîné sur un relevé peut être moins performant lorsqu’il est appliqué aux données d’autres instruments ou d’autres régions du ciel, en particulier dans des environnements difficiles comme la zone d’évitement. Comme l’ont souligné des recherches récentes, les modèles d’apprentissage automatique peuvent peiner à classer les objets dans les régions masquées par la poussière ou présentant des propriétés inhabituelles, et ne pas détecter ou identifier correctement une part importante des objets.

En outre, les modèles d’IA peuvent reproduire les biais de leurs données d’entraînement et ainsi passer à côté de phénomènes rares ou inattendus. L’expertise humaine et les sciences participatives restent donc essentielles, tant pour valider les résultats de l’IA que pour découvrir des phénomènes réellement nouveaux.

Perspectives : une IA plus intelligente et plus adaptable

L’équipe des observatoires du Yunnan et d’autres chercheurs travaillent désormais à améliorer la capacité de leurs modèles à traiter des objets encore moins lumineux et à s’adapter à de nouveaux relevés aux caractéristiques différentes. Ils cherchent notamment à les entraîner sur des jeux de données plus diversifiés, à intégrer des données couvrant plusieurs longueurs d’onde et à mettre au point des algorithmes capables de signaler les cas incertains ou inhabituels pour qu’ils soient examinés par des humains.

À mesure que l’IA progresse, son partenariat avec les astronomes — professionnels comme amateurs — sera essentiel pour percer les secrets de l’Univers.

Des enjeux plus vastes : un nouvel âge d’or de la découverte

La montée en puissance de l’IA en astronomie n’est pas qu’une prouesse technique : elle marque un profond changement dans la manière de faire de la science. En automatisant le fastidieux travail de classification, l’IA permet aux astronomes de se consacrer davantage à l’interprétation, à la théorie et à la recherche de l’inconnu. Elle démocratise également la découverte en permettant à toute personne disposant d’une connexion Internet de contribuer à la cartographie du cosmos.

Alors que des missions comme Euclid et James-Webb, ainsi que l’observatoire Vera C. Rubin, s’apprêtent à fournir des volumes de données sans précédent, l’alliance de l’IA, de l’apprentissage automatique et des sciences participatives ouvre un nouvel âge d’or de la découverte astronomique. L’Univers est immense et mystérieux, mais ces nouveaux outils nous permettent de l’explorer plus efficacement que jamais.

En résumé

• Un modèle d’IA chinois a classé plus de 27 millions d’étoiles, de galaxies et de quasars, marquant une avancée majeure dans l’analyse des données astronomiques.
• Le modèle combine des caractéristiques morphologiques et des données de distribution spectrale d’énergie, et sa grande précision a été validée sur plusieurs relevés.
• L’IA est indispensable pour traiter les volumes considérables de données produits par les relevés modernes du ciel, comme ceux d’Euclid et de l’observatoire Vera C. Rubin.
• Des projets de sciences participatives comme Galaxy Zoo travaillent avec l’IA pour classer les objets complexes ou ambigus, et ainsi gagner en rapidité et en précision.
• L’IA permet de découvrir des objets rares et de corriger les erreurs d’anciens catalogues, mais elle reste confrontée à des difficultés dans les régions complexes et face aux phénomènes inhabituels.
• L’avenir de la classification cosmique repose sur des modèles d’IA plus intelligents et plus adaptables, ainsi que sur une collaboration continue entre humains et machines.